Data marketing
statistiques appliquées au marketing avec Excel et R
Cet ouvrage s'adresse aux managers marketing et commerciaux soucieux de développer une stratégie de data marketing au sein de leur organisation (entreprise, service public ou association). Il aborde de manière simple et pragmatique l'intérêt de la data marketing et explique comment la mettre en oeuvre au quotidien à l'aide d'Excel [...]
[lire le résumé du livre]
Auteur : Magali TRELOHAN
Editeur : Eni
Date parution : 08/2018Quel est le sujet du livre "Data marketing"
Cet ouvrage s'adresse aux managers marketing et commerciaux soucieux de développer une stratégie de data marketing au sein de leur organisation (entreprise, service public ou association). Il aborde de manière simple et pragmatique l'intérêt de la data marketing et explique comment la mettre en oeuvre au quotidien à l'aide d'Excel et deR.
Le premier chapitre réconciliera les marketers et managers commerciaux avec le langage des data scientists et des DSI en présentant les concepts et mécanismes-clé de l'univers data (big data, data mining, smart data, open data, SGBDR, bases de données, NoSQL, mapreduce, data lakes, etc.).
Le chapitre suivant offre des clés pour auditer le système data, collecter des données etnettoyer les bases de données avant d'effectuer une analyse descriptive de ces données avecExcel et R. Vous commencerez par des analyses simples et apprendrez à les manier de manière robuste d'un point de vue statistique.
Le chapitre suivant traite du marketing prédictif : que peut-il se passer dans le futur ? Les calculs statistiques plus complexes présentés dans ce chapitre vous apprendront à classifier vos données en vue de les segmenter, à utiliser des modèles de régression et les méthodes de scoring.
C'est ensuite le marketing prescriptif qui est abordé : que devrions-nous faire ? Il s'agit de mettre en place une expérimentation puis d'analyser les résultats statistiques.
Dans le dernier chapitre, nous vous proposons quelques clés de communication et pistes de data visualisation et de data storytelling pour vous aider à diffuser au mieux votre stratégie au sein de votre entreprise.
De chapitre en chapitre, l'auteur propose une démarche pour structurer la mise en place d'une stratégie data marketing mais vous pourrez également « piocher » l'information, en fonction de vos besoins, dans l'un ou l'autre des chapitres. De nombreux exemples permettent de s'approprier les différents tests statistiques proposés. Le choix des logiciels d'analyse (Excel et R) repose sur leur accessibilité. R est un logiciel gratuit en open source et une référence dans le monde des statistiques. S'il peut être perçu comme complexe, l'auteure s'est attachée à le présenter de manière simple et abordable. Des outils ergonomiques et facilitant l'usage de R comme RStudio et Rcmdr sont également proposés.Téléchargements
Magali TRELOHAN est docteure en sciences de gestion (marketing) de l'Université de Bretagne Sud. Elle y a enseigné ainsi qu'à l'IUT de Saint-Nazaire, Audencia Business School, l'ESC Rennes et l'ESC La Rochelle. Elle est aujourd'hui enseignante-chercheure à l'ESC Troyes où elle enseigne le marketing, le management commercial et les statistiques. Elle mène ses recherches sur les comportements de consommation et de consommation responsable, le marketing sensoriel online et offline et les stratégies de prix. Elle présente également ses travaux en conférence et conseille les organisations dans leurs stratégies.
En suivant ce lien, retrouvez tous les livres dans la spécialité DATA - Machine learning - Analyse de données.Sommaire et contenu du livre "Data marketing - statistiques appliquées au marketing avec Excel et R"
Les data, pour quoi faire ?
- Introduction
- Data mining, big data, smart data, open data : comprendre l’univers des data
- L’arrivée des data dans la gestiondes entreprises
- L’exemple de la distribution
- Le développement des entreprises d’étudesde marché
- L’arrivée des data dans la gestiondes entreprises
- Comprendre les termes data
- Le data mining
- Le big data
- Le smart data
- Les open data
- L’intelligence artificielle
- Qu’est-ce que l’IA est et n’estpas ?
- Application de l’IA : le marketingautomation
- Application de l’IA : les chatbots
- Application de l’IA : la reconnaissancefaciale
- La réalité virtuelle
- Le chief data officer (CDO)
- Le data scientist/analyst
- Le data protection officer (DPO)
- Le data marketer
- Stratégie d’entreprise et data marketing
- L’itération entre stratégied’entreprise, stratégie marketing et stratégie data
- Pas de stratégie data sans objectifs SMART
- Les études de marché traditionnelles
- Les échanges spontanés entre consommateurs
- Les mesures comportementales
- Rappels sur le marketing mix
- Le produit
- Le prix
- La distribution
- La communication
Les outils du data marketing
- Introduction
- Structurer et analyser ses données
- Excel : usages et fonctionnalités
- Visualiser rapidement la moyenne, le nombre et lasomme d’une variable
- Filtrer les données
- Trier les données
- Figer les volets
- La mise en forme conditionnelle
- Le tableau de contingence : le tableau croisé
- Convertir
- Excel : usages et fonctionnalités
- R : Prise en mains
- L’installation de R
- RStudio
- Définir le répertoire de travail
- Télécharger un fichier de donnéesdans R
- Ouvrir un onglet de script
- Installer et charger des packages
- Le package Rcmdr
- La problématique de l’analyse delogs pour comprendre les comportements des consommateurs en ligne
- L’univers Hadoop
- Naissance et enjeux d’Hadoop
- Le principe MapReduce
- Hadoop, un framework puissant, mais demandant un niveaude technicité élevé
- Les briques Hadoop
- Hadoop dans R
- Traitements statistiques de big data dans R
Auditer son système marketing
- Collecter des données
- Le type de données et ce que l’onpeut en faire
- Les données structurées
- Les données non structurées
- Le type de données et ce que l’onpeut en faire
- La richesse de vos données
- Les sources d’information en interne
- Type d’informations disponibles en interne
- Les données externes
- Open data
- Données de panel
- Données de tracking
- Faire un état des lieux de ses données
- Les solutions techniques
- Vision à 360° du client : DMP, datalakes
- Les data management plateform (DMP)
- Les data lakes
- Est-ce pour mon entreprise ?
- Qu’est-ce qu’une base de donnéespropre ?
- Pourquoi « nettoyer » sabase de données ?
- Éviter la perte de temps
- Ne pas renforcer ou susciter de la résistance à unestratégie data-driven
- Faciliter la communication entre les différentsoutils de data
- Ne pas nuire à la relation client
- Définir l’unité statistiqued’analyse
- Adopter une logique de table
- Supprimer les variables inutiles
- Donner une clé unique à vos sujets
- Visualiser ses données dans R
- Effectuer quelques tests statistiques basiques pours’assurer que les variables soient bien définies
- Supprimer les doublons
- Nommer les variables de manière efficace
- Coder les variables de manière efficace
- Traiter les données manquantes
- Traiter les données anormales ou aberrantes(les outliers)
Que s’est-il passé ? L’analyse descriptive des données et le diagnostic
- Introduction
- Choisir ses KPI
- Plan : planifier les actions marketing etles objectifs
- Do : la phase d’action
- Check : la phase d’analyse et dediagnostic
- Act : ajuster les actions ou poursuivre surla même voie
- Analyse univariée : étudier les variables une à une
- La tendance centrale
- La moyenne
- La médiane
- Le mode
- La tendance centrale
- La dispersion
- La variance
- L’écart-type
- La fréquence
- L’étendue, le minimum et le maximum
- Le fractile (quartile)
- Un outil de visualisation des principaux indices :la boîte à moustaches
- L’intervalle de confiance
- Deux variables qualitatives
- Créer un tableau de contingence dans R
- Test du Khi-deux dans R
- La covariance
- Le coefficient de corrélation linéaire
- La significativité du coefficient de corrélationlinéaire
- Le coefficient de corrélation de Spearman
- La significativité du coefficient de corrélationde Spearman
- Préalable statistique à la comparaisonde moyenne
- Test de comparaison de moyennes : t de Student
Que peut-il se passer dans le futur ? Le marketing prédictif
- Introduction
- La classification : segmenter ses clients ou ses prospects
- La classification, une des méthodes d’analysemultivariée
- Méthodologie
- Étape 1 : Analyse en composantesprincipales
- La matrice des coefficients de corrélation
- Réalisation de l’ACP sous R
- Interprétation des dimensions
- Étape 2 : la classification ascendantehiérarchique
- Regroupement des individus par classes
- Réalisation de la Classification AscendanteHiérarchique (CAH) sous R
- Lecture des résultats de la CAH
- Méthodologie
- Prévoir le prix de vente d’un bienimmobilier : valeur continue et régression multiple
- Prévoir l’achat de glaces :valeur catégorielle et régression logistique
- Data mining et scoring
- Applications des méthodes de scoring
- Score de risque
- Score d’appétence
- Score d’attrition
- La régression logistique binaire
- Mise en œuvre du scoring par la régressionlogistique binaire dans R
Que devrions-nous faire ? Le marketing prescriptif
- Introduction
- À quelles problématiques répond le marketing prescriptif ?
- Mettre en place une expérimentation
- Conditions réelles ou en laboratoire
- L’expérimentation en laboratoire
- L’expérimentation en conditionsréelles
- Conditions réelles ou en laboratoire
- Les éléments à considérerpour mettre en place une expérimentation
- Les traitements à comparer
- Les critères d’évaluationde ces traitements
- Les variables externes
- Les sujets
- La validité de l’étude
- La validité interne et externe
- Les biais à contrôler
- Les effets des paramètres extérieurs à l’expérimentation
- L’effet de sélection
- L’effet d’histoire
- L’effet de maturation
- L’effet de test
- L’effet d’instrumentation
- L’effet de mortalité expérimentale
- L’effet de halo
- Les plans d’expérience
- Le plan post-traitement
- Le plan pré et post-traitement
- Le plan de Solomon
- Le plan factoriel complet
- Plan factoriel à blocs aléatoires
- Plan en carré latin ou en carré gréco-latin
- Quelques préalables
- Qu’est-ce qu’un résultatsignificatif ?
- Mes données suivent-elles une loi normale ?
- Les variances sont-elles égales entre lespopulations ?
- ANOVA à un facteur
- ANOVA à plusieurs facteurs
- MANOVA
Comment communiquer ? Règles de base, data visualisation et data storytelling
- Introduction
- Quelques règles basiques pour bien présenter sa stratégie data-driven
- Communiquer sur ses données : quels éléments-clé prendreen compte ?
- L’émetteur du message
- Le message
- Les interlocuteurs
- Les canaux
- Quels effets ?
- Communiquer sur ses données : quels éléments-clé prendreen compte ?
- Le traitement des messages : que se passe-t-ilchez mon interlocuteur quand je communique ?
- Quelle est l’idée-clé demon graphique ?
- Quelles données sont les plus pertinentespour démontrer mon idée ?
- Quelle représentation graphique est la plusadaptée ?
- Applications dans Excel
- Écrivez votre fil conducteur
- Accrocher votre public
- Plantez votre décor
- Ne faites pas trop de teasing
- Ne vous perdez pas dans les détails
- Ayez une chute efficace
- Inventez un personnage
Conclusion
- 6 éléments-clé de la réussite de votre stratégie data-driven
- Construire une culture data-driven
- Travailler en équipe
- Le pragmatisme et le bon sens orienté client
- La plus-value des data
- Commencer simple mais efficace
- Avoir une attitude responsable vis-à-visdes données
Annexe
- Bibliographie